ANALYSIS OF CHEMICAL REHEATING OF STEEL BY MEANS OF REGRESSION AND ARTIFICIAL NEURAL NETWORKS. Ondřej Zimný a Jan Morávka b Zora Jančíková a
|
|
- Radim Marian Kolář
- před 8 lety
- Počet zobrazení:
Transkript
1 ANALÝZA CHEMICKÉHO PŘÍHŘEVU OCELI PROSTŘEDNICTVÍM REGRESE A UMĚLÝCH NEURONOVÝCH SÍTÍ ANALYSIS OF CHEMICAL REHEATING OF STEEL BY MEANS OF REGRESSION AND ARTIFICIAL NEURAL NETWORKS Ondřej Zimný a Jan Morávka b Zora Jančíková a a VŠB-TU Ostrava, Tř.17 Listopadu 15, Ostrava - Poruba, ČR, zora.jancikova@vsb.cz, ondrej.zimny.fmmi@vsb.cz b Materiálový a metalurgický výzkum, s.r.o., Pohraniční 693/31, Ostrava - Vítkovice, ČR, jan.moravka@mmvyzkum.cz Abstrakt Metalurgické procesy patří mezi složité fyzikálně-chemické procesy teoreticky popsatelné pomocí vícerozměrných obecně nelineárních dynamických systémů s různými dopravními zpožděními v jejich struktuře. Před realizací praxí požadované úlohy řízení těchto systémů je potřebné provést jejich strukturální a parametrickou identifikaci. Jelikož jde o procesy velmi složité a komplexní, nejsou doposud známé všechny exaktní vztahy pro jejich matematický popis. Některé metalurgické systémy jsou zatím prakticky nepopsané (tzv. černá skřínka), další popsané pouze částečně (tzv. šedá skřínka), zatímco jen velice málo z nich je popsaných téměř úplně (tzv. bílá skřínka). Zjišťování vnitřní struktury nedostatečně popsaných systémů se děje prostřednictvím fyzikálního modelování, prostřednictvím měření důležitých veličin a následně pomocí regresní analýzy či umělých neuronových sítí aplikovaných na měřená data. Při identifikaci systémů pomocí metod statistické analýzy je určitá šance dopátrat se jejich vhodné vnitřní struktury (tj. přejít od černé skřínky k šedé, či od šedé k bílé), i když tento přístup je velice náročný na znalosti a čas. Identifikace pomocí umělých neuronových sítí umožňuje spíše vnější popis systémů (tj. vytvoření modelů černých skřínek), kdy dostáváme přijatelnou shodu mezi skutečnými a modelovanými výstupy, čili tzv. estimaci (odhad, predikci) výstupu. Tento přístup je tedy vhodnější spíše k řízení než k samotné identifikaci. Příspěvek se zabývá možnostmi predikce teploty po chemickém příhřevu oceli na zařízení integrovaného systému sekundární metalurgie pomocí regresní analýzy i umělých neuronových sítí a porovnáním obou těchto přístupů. Abstract Metallurgical processes belong to complex physical-chemical processes theoretically described by means of multidimensional generally nonlinear dynamic systems with different transfer lags in their structure. Before realization of these systems control requested by practice it is necessary to execute their structural and parametric identification. As these processes are very complex, all exact relations for their mathematical description are not known so far. Some metallurgical systems are practically non-described so far (black box), further described only partially (grey box), while only a little of them are described 1
2 almost fully (white box). Determination of internal structure of insufficiently described systems is done by means physical modeling, by measurement if important data and subsequently by means of regression analysis or artificial neural networks applied to measured data. There is certain chance to determine a proper system internal structure at system identification by means of statistical analysis (i.e. to come from black box to grey box or from grey box to white box), though this approach is knowledge and timeconsuming. Identification by means of artificial neural networks enables rather external system description (i.e. black box models creation), when we get an acceptable accordance between real and modeled outputs, i.e. so called output estimation (prediction). This approach is thus more suitable for control than for identification itself. Contribution deals with a possibility of prediction of a temperature after a steel chemical heating on device of integrated system of secondary metallurgy by means of regression analysis and artificial neural networks and with a comparison of both of these approaches. 1. ÚVOD Cílem tohoto článku je prezentovat odhad i porovnání hodnot predikované výstupní teploty oceli po chemickém příhřevu pomocí regresní analýzy (RA) a umělých neuronových sítí (UNS). Pokud je kesonové zařízení vybaveno kyslíkovou trysku, naskýtá se příležitost provedení chemického příhřevu. Proces chemického příhřevu lze stručně shrnout následujícím popisem: Operátor vychází z příchozí teploty Tepl_hom. Na základě této teploty mu počítač doporučí množství hliníku (Al), kyslíku (O2) a oxidu vápenatého (CaO). Nejprve je vnesen hliník, poté se začne foukat kyslík a bezprostředně po vyjetí kyslíkové trysky se přidá oxid vápenatý. Tyto prvky spolu souvisí, podle příchozí teploty je vneseno do tavby dané množství hliníku, úměrně tomu je přidáno množství kyslíku a také oxidu vápenatého. Mimo vnesený hliník dochází rovněž k spalování ostatních prvků rozpuštěných v oceli včetně železa. Významný teplotní přínos představují především prvky, jako jsou mangan (Mn), křemík (Si), hliník (Al) a uhlík (C). Výstupní proměnná Tepl_2 je měřena na konci chemického příhřevu po ukončení foukání kyslíku. S ohledem na klasifikaci systémů v abstraktu lze konstatovat, že analyzovaný chemický příhřev patří do skupiny částečně popsaných procesů, takže jde o tzv. šedou skřínku. Cílem analýzy je zvýšit informaci o struktuře a vazbách tohoto procesu, tzn. přiblížit se ke struktuře tzv. bílé skřínky. Pro analýzu byla použita data získaná z ocelárenského závodu sekundární metalurgie. Proměnné využité k analýze jsou uvedeny v Tabulce 1. 2
3 Tabulka 1. Analyzované proměnné Table 1. Analyzed variables Proměnná Veličina Hmot_FLS hmotnost tavby [kg] Před_Odp_Tepl odpichová teplota [ C] Uprav_Odp_Tepl upravená odpichová teplota [ C] Čas_Oxyvit_ISSM doba, která uplynula od konce odpichu do spuštění vakuového zpracování [s] Doba_Vak doba vakuování [s] Tepl_Hom teplota po homogenizaci na zařízení ISSM [ C] Doba_Odp_FLS skutečná doba odpichu tavby z konvertoru [s] Doba_Mer_Hom_Chp doba mezi dvěma měřeními, a to před procedurou VOH (Vacuum Oxygen Heating) a po ní [s] Del_Tepl_Mer_Hom_Chp změna teploty před VOH a po VOH [ C] Del_Si_Hom_Chp snížení množství křemíku při VOH [kg] Del_Mn_Hom_Chp snížení množství manganu při VOH [kg] Tepl_Efekt_Si teplotní efekt způsobený křemíkem [ C] Tepl_Efekt_Mn teplotní efekt způsobený manganem [ C] Del_Al_Hom_Chp přísada hliníku [kg] Tepl_Efekt_Al teplotní efekt způsobený hliníkem [ C] Sum_Tep_Ef_AlSiMn celkový teplotní efekt v důsledku oxidace hliníku, křemíku a manganu [ C] del_tep_cao změna teploty oceli způsobená vápnem [ C] O2_AlSiMn stechiometrická potřeba plynného kyslíku na oxidaci hliníku, křemíku a manganu při VOH [Nm 3 /t] O2_SiMn stechiometrická potřeba plynného kyslíku na oxidaci křemíku a manganu při VOH [Nm 3 /t] O2_Mer měrná spotřeba kyslíku na příhřev [Nm 3 /t] Al_Mer měrná spotřeba hliníku na příhřev [kg/t] kyslík spotřeba kyslíku [Nm 3 ] CaO spotřeba oxidu vapenatého v [kg] Tepl_2 teplota po chemickém příhřevu [ C] výstup Z tabulky 1 vyplývá, že pro analýzu bylo k dispozici 23 vysvětlujících proměnných a jedna vysvětlovaná, či výstupní proměnná (Tepl_2). 2. UMÉLÉ NEURONOVÉ SÍTĚ Umělé neuronové sítě (UNS) jsou vhodné pro aproximaci vztahů mezi různými procesními daty, zejména pak mezi daty nestrukturovanými s vysokým stupněm nelinearity a daty nepřesnými a Prahování neúplnými. X 1 W 0 W 1 UNS využívají distribuované paralelní zpracování informace při X 2 Y W 2 + provádění výpočtů, tzn., že Agregace ukládání, zpracování a předávání X 3 W 3 informace probíhá prostřednictvím Soma Synapse celé neuronové sítě. Obr. 1. Neuron jako matematický procesor Fig. 1. Neuron as a mathematic processor Základem matematického modelu UNS je formální neuron, který lze získat přeformulováním zjednodušené funkce neuronu 3
4 neurofyziologického do matematických vztahů. Neuronová buňka se skládá z mnoha části, z nichž čtyři následující lze považovat za základní. Jedná se o synapse, soma, dendrity a axon - obr.1. Formální neuron má n obecně reálných vstupů x 1,, x n odpovídající dendritům. Všechny vstupy jsou ohodnoceny příslušnými synaptickými váhami w 1,, w n. Váhy určují míru propustnosti vstupního signálu. Zvážena suma vstupních hodnot představuje vnitřní potenciál neuronu. Operace probíhající v neuronu můžeme rozdělit na operace synaptické a somatické. Do operací synaptických patří konfluence z (t) = x (t) w (t) i i i Do operací somatických patří agregace n u(t) = z (t) i = 1 prahování v(t) = u(t) - w 0 i a nelineární zobrazení v(t) y(t) = 1/(1+e ) (4) Výstup neuronu y, modelující elektrický impuls axonu, je dán obecně nelineární přenosovou funkcí, jejímž argumentem je vnitřní potenciál. Pokud vnitřní potenciál neuronu překoná prahovou hodnotu, dojde k excitaci neuronu na hodnotu danou příslušnou přenosovou funkcí. Pro všechny typy predikcí se v podstatě hodí UNS, které jsou univerzálními aproximátory funkcí, tedy zejména sítě, využívající pro své učení algoritmus zpětného šíření (Back-propagation) Predikce teploty pomocí umělých neuronových sítí Získaná data byla nejprve upravena a vytříděna. Na základě upravených dat a vybraných vstupních proměnných byly vytvářeny modely UNS. Jako vstupní proměnné byly použity: hmotnost tavby, teploty před chemickým příhřevem, doba vakuování, hmotnosti chemických prvků hliníku, manganu, křemíku, oxidu vápenatého a množství kyslíku (tj. 11 vysvětlujících proměnných). Jako hodnota predikovaná je určená proměnná teplota po chemickém příhřevu. Zobecněná bloková struktura vstupů a výstupu umělé neuronové sítě je zobrazena na obr.2. Schéma vytvořené sítě je na obr.3. (1) (2) (3) 4
5 Typ sítě Obr. 2. Bloková struktura neuronové sítě Fig. 2. Block structure of neural network Obr. 3. Struktura umělé neuronové sítě Fig. 3. Structure of artificial neural network K vytváření a analýze umělých neuronových sítí byl použit komerční program Statistica-Neuronové sítě. V tomto programu bylo vytvořeno několik modelů. Jako výsledný model byl vybrán ten, který měl nejlepší parametry vyjadřující míru nepřesnosti mezi skutečnými a předikovanými hodnotami. Vybraný model představuje třívrstvou neuronovou síť, která má 11 neuronů ve vstupní vrstvě, 5 ve skryté vrstvě a jeden neuron ve výstupní vrstvě. Parametry vybrané sítě byly implementovány do samostatného programu, nezávislém na programu Statistica. Tento program umožňuje na základě zadání vstupních hodnot predikovat teplotu po chemickém příhřevu a změnu teploty, kterou chemický příhřev způsobí. Na obr.4,5 jsou zobrazeny grafy s výsledky, které byly získané z vytvořené UNS Porovnání predikované a měřené teploty Měřená hodnota Predikovaná hodnota Histogram Tepl_2 C počet případů Počet pozorování Rezidua Obr. 4. Porovnání predikované a měřené teploty Fig. 4. Comparison of predicted and measured temperature Obr. 5. Histogram reziduí UNS Fig. 5. Histogram of residues of ANN První graf zobrazuje rozdíl mezi měřenou a předikovanou hodnotou výstupní teploty proměnné Tepl_2 v závislosti na počtu případů. Na druhém grafu (obr. 5) je zobrazen histogram reziduí. Z tohoto grafu je patrné, že většina predikovaných hodnot se liší od změřených hodnot v teplotním rozmezí do ±5 C. Pro vyjádření a porovnání míry nepřesnosti mezi skutečnými hodnotami a predikovanými hodnotami UNS nebo RA lze použít tři univerzální a základní parametry kvality predikce modelů: SSE, RMS a R 2. 5
6 Pro vybranou umělou neuronovou síť, uvedenou výše, jsou porovnávací parametry a jejich hodnoty následující: SSE - (Sum of squared error) součet čtverců chyb n 2 SSE = (yi oi ) (5) i= 1 SSE = 21714,772 kde je n y i o i - počet vzorů trénovací nebo testovací množiny, - predikované hodnoty výstupu neuronové sítě, - skutečné hodnoty výstupu objektu. RMS - (Root Mean Squared) střední kvadratická (standardní, směrodatná) chyba regrese n 2 (yi o i) i=1 RMS = n 1 (6) RMS = 5,58564 R 2 - koeficient (pro nelineární modely index) determinace SSE R 2 = 1 (7) SST R 2 = 0, kde je SSE - součet čtverců chyb SST - celkový součet čtverců chyb Na obr.6 je viditelné okno vytvořeného programu, umožňující uživateli po zadání příslušných vstupních proměnných vypočítat predikovanou (dopředu odhadovanou) výstupní teplotu po chemickým příhřevu. Dojde i k výpočtu změny teploty, tedy k výpočtu rozdílů teploty před a po chemickém příhřevu. Obr. 6. Program pro predikci teploty po chemickém příhřevu Fig. 6. Program for prediction of temperature after chemical reheating Na základě těchto informací lze naplánovat délku následných operací při zpracování oceli na zařízení sekundární metalurgie. Popřípadě lze měnit vstupní parametry tak, aby bylo dosaženo žádané výstupní hodnoty, a to ještě před 6
7 samotným procesem chemického příhřevu. 3. REGRESNÍ ANALÝZA Regresní analýza byla nejprve aplikována na všechna data (taveb) a s uvažováním všech dostupných regresorů (tj. 23 vysvětlujících proměnných podle tabulky 1) za předpokladu jejich lineárního (aditivního) působení na regresand (výstupní proměnnou). Pomocí bohaté regresní diagnostiky však bylo zjištěno, že: mezi některými regresory existují silné korelační vazby, některé záznamy (tavby) vykazují vybočující hodnoty. Prostřednictvím ukazatele VIF (Variance Inflation Factor) a mnohorozměrové analýzy dat (metoda hlavních komponent) byly z množiny regresorů odstraněny ty, které byly významně závislé na ostatních. Tímto krokem obsahovala podmnožina regresorů pouze dominantní, ovlivňující (a už ne ovlivňované) a vzájemně téměř nezávislé (ortogonální) vysvětlující proměnné. Z množiny dat byly odstraněny záznamy s vybočujícími hodnotami v tavbách. Takto upravená podmnožina regresorů a dat byla východiskem jak pro analýzu pomocí UNS, tak i pomocí vícenásobné regrese (RA). Po konzultaci s technology byla podmnožina regresorů ještě upravena na 11 regresorů - viz obr Úplný vícenásobný lineární regresní model Pro vybranou podmnožinu 11 regresorů a dat bez vybočujících záznamů byl použit úplný (se všemi regresory) vícenásobný lineární regresní model (LRMU), který má obecný tvar: m y = b0 + b1 x b11 x11 + ε = b0 + b j x j + ε, (8) kde je y b 0 b j x j ε m j= 1 - regresand (vysvětlovaná proměnná), - absolutní člen (konstanta), - regresní (vazební, váhové) koeficienty, - regresory (vysvětlující proměnné), - chyba regrese, reziduum, - počet regresorů. Regresní diagnostika výsledků aplikace tohoto modelu (LRMU) ukázala, že model je sice vysoce statisticky významný, v čase stabilní, s prakticky nekolineárními regresory, avšak 4 z nich, tj. Uprav_odp_tepl, Doba_Vak, Del_Mn_hom_chp a CaO se (překvapivě) jevily jako statisticky nevýznamné. Model není lineární (chybí mu nelinearity regresorů typu mocnina, inverzní funkce - hyperbola, či logaritmus), o čemž do jisté míry svědčí i statisticky významný absolutní člen. Model je statisticky nekorektní, protože jeho rezidua vykazují všechny nectnosti - heteroskedasticitu (přímou i autoregresně podmíněnou), nenormalitu a autokorelaci. Prakticky to znamenalo, že model potřeboval úpravu ve dvou směrech: 1. Analýza nelinearity regresorů a jejich zavedení do modelu 2. Odstranění statisticky nevýznamných (neovlivňujících, přebytečných ) regresorů Redukovaný transformovaný vícenásobný regresní model Regresní diagnostika, jako i komponentní a reziduální grafy ukázaly, že je vhodné u proměnné Doba_Vak přidat její kvadrát, u proměnné Doba_Mer_Hom_Chp její převrácenou hodnotu, přidat interakci (součin) proměnných Hmot_FLS a CaO, jako i odstranit vliv dvou vybočujících bodů (taveb). 7
8 Po těchto úpravách vykazoval model (LRMT) některé statisticky nevýznamné regresory (hmotnost tavby, upravená odpichová teplota a snížení množství manganu při VOH), které byly postupně odstraněny pomocí tzv. krokové (stepwise) metody se zpětným (backward) výběrem (významných) regresorů. Výsledný redukovaný model s transformovanými 10ti regresory (LRMTR) vykazoval statisticky dobré vlastnosti. Jeho index determinace (tzv. regresní rabat) R 2 = 87,5 % je prakticky stejný jako u UNS, hodnoty SSE a RMS jsou dokonce nižší. Na obr.7,8 jsou viditelné graf predikce a histogram reziduí výsledného regresního modelu LRMTR. Z obou grafů je zřejmé, že model LRMTR přijatelně predikuje výstupní teplotu chemického příhřevu. Jeho rezidua vykazují normální rozdělení se směrodatnou odchylkou asi 5 C. Obr. 7. Porovnání predikované a měřené teploty Fig. 7. Comparison of predicted and measured temperature Obr. 8. Histogram reziduí modelu LRMTR Fig. 8. Histogram of residues from model LRMTR 3. ZÁVĚR Cílem článku bylo prezentovat možnosti predikce teploty po chemickém příhřevu oceli na zařízení integrovaného systému sekundární metalurgie pomocí regresní analýzy (RA) i umělých neuronových sítí (UNS) a porovnání obou přístupů. Výsledky analýzy, jako i možnosti, přednosti a nedostatky (silné a slabé stránky) obou přístupů jsou stručně a přehledně shrnuty v tabulce 2: Tabulka 2. Porovnání přístupů analýzy Table 2. Comparison of analysis methods Objekt RA UNS Poznámka Koeficient determinace R 2 [%] 87,5 87,6 UNS lepší Součet čtverců reziduí SSE [ C 2 ] RA lepší Směrodatná chyba regrese RMS [ C] 5,31 5,59 RA lepší Počet regresorů 11 / RA věrnější Přístupnost hodnot vazebních koeficientů ano ano v programu UNS Diagnostika vlivnosti (významnosti) vstupů ano ano Diagnostika adekvátnosti modelu ano ne Diagnostika přeurčenosti modelu ano ano je i v UNS Diagnostika korektnosti modelu ano ne Diagnostika reziduí modelu ano ne 8
9 Z uvedeného porovnání je vidět, že UNS jsou obecně vhodné spíše k predikci výstupu než k určení adekvátní struktury a přenosových koeficientů procesu. LITERATURA [1] JANČÍKOVÁ, Z. Umělé neuronové sítě v materiálovém inženýrství. Monografie, GEP ARTS Ostrava, ISBN X. [2] KRAYZEL, M. Technologie mimopecního zpracování na zařízení ISSM, technická zpráva, Vítkovice, a. s., [3] JANČÍKOVÁ, Z., ROUBÍČEK, V., JUCHELKOVÁ, D. Application of Artificial Intelligence Methods for Prediction of Steel Mechanical Properties. Metalurgija, 47 (2008) 2, s , ISSN
APLIKACE METOD UMĚLÉ INTELIGENCE PŘI PREDIKCI CHEMICKÉHO SLOŽENÍ RAFINAČNÍCH STRUSEK
APLIKACE METOD UMĚLÉ INTELIGENCE PŘI PREDIKCI CHEMICKÉHO SLOŽENÍ RAFINAČNÍCH STRUSEK APPLICATION OF ARTIFICIAL INTELLIGENCE METHODS FOR PREDICTION OF CHEMICAL COMPOSITION OF REFINING SLAG Zora Jančíková
VíceLICÍ PÁNVE V OCELÁRNĚ ARCELORMITTAL OSTRAVA POUŽITÍ NOVÉ IZOLAČNÍ VRSTVY
LICÍ PÁNVE V OCELÁRNĚ ARCELORMITTAL OSTRAVA POUŽITÍ NOVÉ IZOLAČNÍ VRSTVY POURING LADLES IN ARCELORMITTAL OSTRAVA STEEL PLANT - UTILIZATION OF NEW INSULATION LAYER Dalibor Jančar a Petr Tvardek b Pavel
VíceNeuropočítače. podnět. vnímání (senzory)
Neuropočítače Princip inteligentního systému vnímání (senzory) podnět akce (efektory) poznání plánování usuzování komunikace Typické vlastnosti inteligentního systému: schopnost vnímat podněty z okolního
VíceSLEDOVÁNÍ AKTIVITY KYSLÍKU PŘI VÝROBĚ LITINY S KULIČKOVÝM GRAFITEM
86/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (2/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (2/2) PAN Katowice PL ISSN 1642-5308 SLEDOVÁNÍ AKTIVITY KYSLÍKU PŘI VÝROBĚ LITINY S KULIČKOVÝM
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 545-0250 Garantující institut: Garant předmětu: Ekonomická statistika Institut ekonomiky a systémů řízení RNDr. Radmila Sousedíková, Ph.D.
VíceZpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi.
SEMINÁRNÍ PRÁCE Zadání: Data: Statistické metody: Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi. Minimálně 6 proměnných o 30 pozorováních (z toho 2 proměnné
VíceVÍCEROZMĚRNÝ STATISTICKÝ SOUBOR
KORELACE A REGRESE 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/..00/8.001)
VíceHledání závislostí technologických a nákladových charakteristik při tavení oceli na elektrických obloukových pecích
Hledání závislostí technologických a nákladových charakteristik při tavení oceli na elektrických obloukových pecích Firková, L. 1), Kafka, V. 2), Figala, V. 3), Herzán, M. 4), Nykodýmová, V. 5) 1) VŠB
VícePorovnání předpovídané zátěže se zátěží skutečnou (podle modelu III-C BMP ČHMÚ) Martin Novák 1,2
Porovnání předpovídané zátěže se zátěží skutečnou (podle modelu III-C BMP ČHMÚ) Martin Novák 1,2 1 ČHMÚ, pobočka Ústí n.l., PS 2, 400 11 Ústí n.l., novakm@chmi.cz 2 PřF UK Praha, KFGG, Albertov 6, 128
VíceSmart Temperature Contact and Noncontact Transducers and their Application Inteligentní teplotní kontaktní a bezkontaktní senzory a jejich aplikace
XXXII. Seminar ASR '2007 Instruments and Control, Farana, Smutný, Kočí & Babiuch (eds) 2007, VŠB-TUO, Ostrava, ISBN 978-80-248-1272-4 Smart Temperature Contact and Noncontact Transducers and their Application
VíceUniverzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie
Univerzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie 12. licenční studium PYTHAGORAS Statistické zpracování dat 3.3 Tvorba nelineárních regresních modelů v analýze dat Semestrální
VíceHabart Jan, Tlustoš Pavel, Váňa Jaroslav, Plíva Petr
BIOLOGICKÁ STABILITA ORGANICKÝCH MATERIÁLŮ, JEJÍ STANOVENÍ A POUŽITÍ V PRAXI Biological Stability of organic materials its Determination and Practical Application Habart Jan, Tlustoš Pavel, Váňa Jaroslav,
VíceMOŽNOSTI TVÁŘENÍ MONOKRYSTALŮ VYSOKOTAVITELNÝCH KOVŮ V OCHRANNÉM OBALU FORMING OF SINGLE CRYSTALS REFRACTORY METALS IN THE PROTECTIVE COVER
MOŽNOSTI TVÁŘENÍ MONOKRYSTALŮ VYSOKOTAVITELNÝCH KOVŮ V OCHRANNÉM OBALU FORMING OF SINGLE CRYSTALS REFRACTORY METALS IN THE PROTECTIVE COVER Kamil Krybus a Jaromír Drápala b a OSRAM Bruntál, spol. s r.
VíceACOUSTIC EMISSION SIGNAL USED FOR EVALUATION OF FAILURES FROM SCRATCH INDENTATION
AKUSTICKÁ EMISE VYUŽÍVANÁ PŘI HODNOCENÍ PORUŠENÍ Z VRYPOVÉ INDENTACE ACOUSTIC EMISSION SIGNAL USED FOR EVALUATION OF FAILURES FROM SCRATCH INDENTATION Petr Jiřík, Ivo Štěpánek Západočeská univerzita v
VíceMOŽNOSTI PREDIKCE DOSAŽENÍ POŽADOVANÉ LICÍ TEPLOTY OCELI PRO ZAŘÍZENÍ PLYNULÉHO ODLÉVÁNÍ
MOŽNOSTI PREDIKCE DOSAŽENÍ POŽADOVANÉ LICÍ TEPLOTY OCELI PRO ZAŘÍZENÍ PLYNULÉHO ODLÉVÁNÍ PREDICTION POSSIBILITIES OF ACHIEVING THE REQUISITE CASTING TEMPERATURE OF STEEL IN CONTINUOUS CASTING EQUIPMENT
VíceZávislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely )
Úloha M608 Závislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely ) Zadání : Při kvantitativní analýze lidského krevního séra ovlivňují hodnotu obsahu vysokohustotního
VíceTHE PREDICTION PHYSICAL AND MECHANICAL BEHAVIOR OF FLOWING LIQUID IN THE TECHNICAL ELEMENT
THE PREDICTION PHYSICAL AND MECHANICAL BEHAVIOR OF FLOWING LIQUID IN THE TECHNICAL ELEMENT PREDIKCE FYZIKÁLNĚ-MECHANICKÝCH POMĚRŮ PROUDÍCÍ KAPALINY V TECHNICKÉM ELEMENTU Kumbár V., Bartoň S., Křivánek
VíceUni- and multi-dimensional parametric tests for comparison of sample results
Uni- and multi-dimensional parametric tests for comparison of sample results Jedno- a více-rozměrné parametrické testy k porovnání výsledků Prof. RNDr. Milan Meloun, DrSc. Katedra analytické chemie, Universita
VíceV praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme
VíceMODELOVÁNÍ A MĚŘENÍ DEFORMACE V TAHOKOVU
. 5. 9. 007, Podbanské MODELOVÁNÍ A MĚŘENÍ DEFORMACE V TAHOKOVU Zbyšek Nový, Michal Duchek, Ján Džugan, Václav Mentl, Josef Voldřich, Bohuslav Tikal, Bohuslav Mašek 4 COMTES FHT s.r.o., Lobezská E98, 00
VíceSYSTÉM TECHNICKO-EKONOMICKÉ ANALÝZY VÝROBY TEKUTÉHO KOVU - CESTA KE SNIŽOVÁNÍ NÁKLADŮ
SYSTÉM TECHNICKO-EKONOMICKÉ ANALÝZY VÝROBY TEKUTÉHO KOVU - CESTA KE SNIŽOVÁNÍ NÁKLADŮ FIGALA V. a), KAFKA V. b) a) VŠB-TU Ostrava, FMMI, katedra slévárenství, 17. listopadu 15, 708 33 b) RACIO&RACIO, Vnitřní
VíceEXPLOITATION OF THE ELEMENTS OF ARTIFICIAL INTELLIGENCE FOR TIME PREDICTION OF COOLING DOWN METAL SPECIMENS BEFORE FORMING.
VYUŽITÍ PRVKŮ UMĚLÉ INTELIGENCE PRO PREDIKCI ČASU CHLADNUTÍ KOVOVÝCH VZORKŮ PŘED TVÁŘENÍM. EXPLOITATION OF THE ELEMENTS OF ARTIFICIAL INTELLIGENCE FOR TIME PREDICTION OF COOLING DOWN METAL SPECIMENS BEFORE
VíceNěkteré potíže s klasifikačními modely v praxi. Nikola Kaspříková KMAT FIS VŠE v Praze
Některé potíže s klasifikačními modely v praxi Nikola Kaspříková KMAT FIS VŠE v Praze Literatura J. M. Chambers: Greater or Lesser Statistics: A Choice for Future Research. Statistics and Computation 3,
VíceBIOLOGICKÉ LOUŽENÍ KAMÍNKU Z VÝROBY OLOVA
BIOLOGICKÉ LOUŽENÍ KAMÍNKU Z VÝROBY OLOVA Dana Krištofová,Vladimír Čablík, Peter Fečko a a) Vysoká škola báňská Technická univerzita Ostrava, 17. listopadu 15, 708 33 Ostrava Poruba, ČR, dana.kristofova@vsb.cz
VíceRegresní analýza nehodovosti na světelně řízených křižovatkách
Regresní analýza nehodovosti na světelně řízených křižovatkách RNDr. Martin Hála, CSc. Abstract: Various statistical methods and tools were used and tested when analyzing traffic accidents. The main stress
VíceMODELOVÁNÍ V EPIDEMIOLOGII
MODELOVÁÍ V EPIDEMIOLOGII Radmila Stoklasová Klíčová slova: Epidemiologie, modelování, klasický epidemiologický model, analýza časových řad, sezónní dekompozice, Boxův Jenkinsovův model časové řady Key
VíceNĚKTERÉ ZÁVĚRY Z ÚVODNÍ NÁKLADOVÉ ANALÝZY VÝROBY TEKUTÉHO KOVU V ŠESTI SLÉVÁRNÁCH. Václav Figala a Sylvie Žitníková b Václav Kafka c
NĚKTERÉ ZÁVĚRY Z ÚVODNÍ NÁKLADOVÉ ANALÝZY VÝROBY TEKUTÉHO KOVU V ŠESTI SLÉVÁRNÁCH Václav Figala a Sylvie Žitníková b Václav Kafka c a) VŠB-TU Ostrava, FMMI, Katedra slévárenství, 17. listopadu 15, 708
VíceDUPLEXNÍ POVLAKOVÁNÍ PM NÁSTROJOVÉ OCELI LEGOVANÉ NIOBEM DUPLEX COATING OF THE NIOBIUM-ALLOYED PM TOOL STEEL
DUPLEXNÍ POVLAKOVÁNÍ PM NÁSTROJOVÉ OCELI LEGOVANÉ NIOBEM DUPLEX COATING OF THE NIOBIUM-ALLOYED PM TOOL STEEL Pavel Novák Dalibor Vojtěch Jan Šerák Michal Novák Vítězslav Knotek Ústav kovových materiálů
VíceCREEP AUSTENITICKÉ LITINY S KULIČKOVÝM GRAFITEM CREEP OF AUSTENITIC DUCTILE CAST IRON
METAL 9 9... 9, Hradec nad Moravicí CREEP AUSTENITICKÉ LITINY S KULIČKOVÝM GRAFITEM CREEP OF AUSTENITIC DUCTILE CAST IRON Vlasák, T., Hakl, J., Čech, J., Sochor, J. SVUM a.s., Podnikatelská, 9 Praha 9,
VíceVýuka odborného předmětu z elektrotechniky na SPŠ Strojní a Elektrotechnické
Jihočeská univerzita v Českých Budějovicích Pedagogická fakulta Oddělení celoživotního vzdělávání Závěrečná práce Výuka odborného předmětu z elektrotechniky na SPŠ Strojní a Elektrotechnické Vypracoval:
VíceIng. Simona Psotná, Ing. Taťána Barabášová V 10 APLIKACE PYROLÝZNÍCH OLEJŮ VE FLOTACI UHLÍ
Ing. Simona Psotná, Ing. Taťána Barabášová V 10 Ing. Eva Schmidtová, Ing. Monika Podešvová APLIKACE PYROLÝZNÍCH OLEJŮ VE FLOTACI UHLÍ Abstrakt Práce se zabývá výzkumem flotačních činidel vhodných pro flotaci
VíceStanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )
Příklad č. 1 Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace ) Zadání : Stanovení manganu ve vodách se provádí oxidací jodistanem v kyselém prostředí až na manganistan. (1) Sestrojte
VíceAmbasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013
Ambasadoři přírodovědných a technických oborů Ing. Michal Řepka Březen - duben 2013 Umělé neuronové sítě Proč právě Neuronové sítě? K čemu je to dobré? Používá se to někde v praxi? Úvod Umělé neuronové
VícePOSOUZENÍ NÁKLADOVÉ NÁROCNOSTI VÝROBY LITINY V PLAMENNÉ ROTACNÍ PECI VE SLÉVÁRNE STROJTEX, a. s.
POSOUZENÍ NÁKLADOVÉ NÁROCNOSTI VÝROBY LITINY V PLAMENNÉ ROTACNÍ PECI VE SLÉVÁRNE STROJTEX, a. s. EVALUATION OF THE COSTS OF THE CAST IRON MADE IN OXY-FUEL ROTARY BATCH MELTING FURNACE IN THE FOUNDRY STROJTEX,
VíceStatgraphics v. 5.0 STATISTICKÁ INDUKCE PRO JEDNOROZMĚRNÁ DATA. Martina Litschmannová 1. Typ proměnné. Požadovaný typ analýzy
Dichotomická proměnná (0-1) Spojitá proměnná STATISTICKÁ INDUKCE PRO JEDNOROZMĚRNÁ DATA Typ proměnné Požadovaný typ analýzy Ověření variability Předpoklady Testy, resp. intervalové odhad Test o rozptylu
VíceDÁLKOVÁ SPRÁVA ŘÍDICÍCH SYSTÉMŮ V PROSTŘEDÍ CONTROL WEB 5
1 DÁLKOVÁ SPRÁVA ŘÍDICÍCH SYSTÉMŮ V PROSTŘEDÍ CONTROL WEB 5 VŠB - Technická Univerzita Ostrava, Katedra automatizační techniky a řízení Příspěvek popisuje způsoby přístupů k řídicím systémům na nejnižší
VíceZadání Máme data hdp.wf1, která najdete zde: Bodová předpověď: Intervalová předpověď:
Predikce Text o predikci pro upřesnění pro ty, které zajímá, kde se v EViews všechna ta čísla berou. Ruční výpočty u průběžného testu nebudou potřeba. Co bude v závěrečném testu, to nevím. Ale přečíst
VíceUKÁZKA VYUŽITÍ PROGRAMU WINQSB PŘI VÝUCE KVANTITATIVNÍCH METOD V ROZHODOVÁNÍ V DISTANČNÍ FORMĚ STUDIA
UKÁZKA VYUŽITÍ PROGRAMU WINQSB PŘI VÝUCE KVANTITATIVNÍCH METOD V ROZHODOVÁNÍ V DISTANČNÍ FORMĚ STUDIA ALENA KOLČAVOVÁ, LENKA DRÁBKOVÁ Abstrakt: V úvodu příspěvku je nastíněna současná situace stavu připravenosti
VíceStřední průmyslová škola strojnická Olomouc, tř.17. listopadu 49
Střední průmyslová škola strojnická Olomouc, tř.17. listopadu 49 Výukový materiál zpracovaný v rámci projektu Výuka moderně Registrační číslo projektu: CZ.1.07/1.5.00/34.0205 Šablona: III/2 Anglický jazyk
Více24.-26.5.2005, Hradec nad Moravicí POLYKOMPONENTNÍ SLITINY HOŘČÍKU MODIFIKOVANÉ SODÍKEM
POLYKOMPONENTNÍ SLITINY HOŘČÍKU MODIFIKOVANÉ SODÍKEM EFFECT OF SODIUM MODIFICATION ON THE STRUCTURE AND PROPERTIES OF POLYCOMPONENT Mg ALLOYS Luděk Ptáček, Ladislav Zemčík VUT v Brně, Fakulta strojního
VíceSTANOVENÍ PRŮBĚHU ENTALPIE VYZDÍVKY PRO MODELOVÁNÍ OBĚHU LICÍCH PÁNVÍ V PODMÍNKÁCH OCELÁRNY MITTAL STEEL OSTRAVA
STANOVENÍ PRŮBĚHU ENTALPIE VYZDÍVKY PRO MODELOVÁNÍ OBĚHU LICÍCH PÁNVÍ V PODMÍNKÁCH OCELÁRNY MITTAL STEEL OSTRAVA DETERMINATION OF THE COURSE OF ENTHALPY OF LINING FOR MODELLING OF CIRCULATION OF POURING
VíceVYUŽITÍ DYNAMICKÝCH MODELŮ OCELÍ V SIMULAČNÍM SOFTWARE PRO TVÁŘENÍ
VYUŽITÍ DYNAMICKÝCH MODELŮ OCELÍ V SIMULAČNÍM SOFTWARE PRO TVÁŘENÍ APPLICATION OF DYNAMIC MODELS OF STEELS IN SIMULATION SOFTWARE FOR MATAL FORMING Milan Forejt a, Zbyněk Pernica b, Dalibor Krásny c Brno
VíceMelting the ash from biomass
Ing. Karla Kryštofová Rožnov pod Radhoštěm 2015 Introduction The research was conducted on the ashes of bark mulch, as representatives of biomass. Determining the influence of changes in the chemical composition
VíceTESTOVÁNÍ VLIVU INDIKAČNÍCH KAPALIN NA KŘEHKOLOMOVÉ VLASTNOSTI SKLOVITÝCH SMALTOVÝCH POVLAKŮ
TESTOVÁNÍ VLIVU INDIKAČNÍCH KAPALIN NA KŘEHKOLOMOVÉ VLASTNOSTI SKLOVITÝCH SMALTOVÝCH POVLAKŮ TESTING OF THE INFLUENCE OF THE INDICATING LIQUIDS ON BREAKED PROPERTIES OF VITREOUS ENAMEL COATINGS Kamila
VíceInovace bakalářského studijního oboru Aplikovaná chemie
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Regrese Závislostproměnných funkční y= f(x) regresní y= f(x)
VíceVliv metody vyšetřování tvaru brusného kotouče na výslednou přesnost obrobku
Vliv metody vyšetřování tvaru brusného kotouče na výslednou přesnost obrobku Aneta Milsimerová Fakulta strojní, Západočeská univerzita Plzeň, 306 14 Plzeň. Česká republika. E-mail: anetam@kto.zcu.cz Hlavním
Více2D A 3D SNÍMACÍ SYSTÉMY PRŮMĚRU A DÉLKY KULATINY ROZDÍLY VE VLASTNOSTECH A VÝSLEDCÍCH MĚŘENÍ
TRIESKOVÉ A BEZTRIESKOVÉ OBRÁBANIE DREVA 2006 12. - 14. 10. 2006 159 2D A 3D SNÍMACÍ SYSTÉMY PRŮMĚRU A DÉLKY KULATINY ROZDÍLY VE VLASTNOSTECH A VÝSLEDCÍCH MĚŘENÍ Karel Janák Abstract Different methods
VíceKULOVÝ STEREOTEPLOMĚR NOVÝ přístroj pro měření a hodnocení NEROVNOMĚRNÉ TEPELNÉ ZÁTĚŽE
české pracovní lékařství číslo 1 28 Původní práce SUMMARy KULOVÝ STEREOTEPLOMĚR NOVÝ přístroj pro měření a hodnocení NEROVNOMĚRNÉ TEPELNÉ ZÁTĚŽE globe STEREOTHERMOMETER A NEW DEVICE FOR measurement and
VíceVLIV ZMĚNY DRSNOSTI POVRCHU NA PŘILNAVOST ORGANICKÝCH POVLAKŮ INFLUENCE OF THE CHANGE OF THE SURFACE ROUGHNESS ON ADHESION OF ORGANIC COATINGS
VLIV ZMĚNY DRSNOSTI POVRCHU NA PŘILNAVOST ORGANICKÝCH POVLAKŮ INFLUENCE OF THE CHANGE OF THE SURFACE ROUGHNESS ON ADHESION OF ORGANIC COATINGS Filipová Marcela 1, Podjuklová Jitka 2, Siostrzonek René 3
VíceÚvod. D. Andert, V. Mayer Výzkumný ústav zemědělské techniky, v.v.i. Praha
TECHNIKA PRO MULČOVÁNÍ TRVALÝCH TRAVNÍCH POROSTŮ V HORSKÝCH A PODHORSKÝCH PODMÍNKÁCH TECHNIC FOR MULCHING OF PERMANENT GRASSLAND IN MOUNTAIN AND FOOTHILL AREAS D. Andert, V. Mayer Výzkumný ústav zemědělské
VíceTransfer inovácií 20/2011 2011
OBRÁBĚNÍ LASEREM KALENÉHO POVRCHU Ing. Miroslav Zetek, Ph.D. Ing. Ivana Česáková Ing. Josef Sklenička Katedra technologie obrábění Univerzitní 22, 306 14 Plzeň e-mail: mzetek@kto.zcu.cz Abstract The technology
VícePřílohy. Spotřeba elektřiny. Model závislosti spotřeby elektřiny
Přílohy Spotřeba elektřiny Model závislosti spotřeby elektřiny Model 24: OLS, za použití pozorování 22-213 (T = 12) Závisle proměnná: C_ele_domkWH koeficient směr. chyba t-podíl p-hodnota ------------------------------------------------------------------
VíceOptimalizace provozních podmínek. Eva Jarošová
Optimalizace provozních podmínek Eva Jarošová 1 Obsah 1. Experimenty pro optimalizaci provozních podmínek 2. EVOP klasický postup využití statistického softwaru 3. Centrální složený návrh model odezvové
VíceKlíčová slova prediktory absolvování studia medicíny, logistická regrese, ROC křivky
STUDIUM SOUVISLOSTÍ MEZI ÚSPĚŠNOSTÍ STUDIA MEDICÍNY, ZNÁMKAMI STUDENTŮ NA STŘEDNÍ ŠKOLE A VÝSLEDKY PŘIJÍMACÍCH ZKOUŠEK 1 Čestmír Štuka, Petr Šimeček Anotace Studie analyzuje úspěšnost studentů přijatých
VíceBRDSM: Komplexní systém dynamického řízení kvality plynule odlévané oceli
BRDSM: Komplexní systém dynamického řízení kvality plynule odlévané oceli Registrační číslo: 132071 Garant výsledku: prof. Ing. Josef Štětina, Ph.D. Typ: Software - R Rok vydání: 30. 12. 2016 Instituce:
VíceSTŘEDNÍ PŘIROZENÉ DEFORMAČNÍ ODPORY PŘI TVÁŘENÍ OCELÍ ZA TEPLA - VLIV CHEMICKÉHO A STRUKTURNÍHO STAVU
STŘEDNÍ PŘIROZENÉ DEFORMAČNÍ ODPORY PŘI TVÁŘENÍ OCELÍ ZA TEPLA - VLIV CHEMICKÉHO A STRUKTURNÍHO STAVU MEAN EQUIVALENT STRESS VALUES DURING HOT FORMING OF STEELS - INFLUENCE OF CHEMICAL AND STRUCTURE STATE
VíceELECTROCHEMICAL HYDRIDING OF MAGNESIUM-BASED ALLOYS
ELEKTROCHEMICKÉ SYCENÍ HOŘČÍKOVÝCH SLITIN VODÍKEM ELECTROCHEMICAL HYDRIDING OF MAGNESIUM-BASED ALLOYS Dalibor Vojtěch a, Alena Michalcová a, Magda Morťaniková a, Borivoj Šustaršič b a Ústav kovových materiálů
VíceSborník vědeckých prací Vysoké školy báňské - Technické univerzity Ostrava číslo 1, rok 2008, ročník VIII, řada stavební článek č.
Sborník vědeckých prací Vysoké školy báňské - Technické univerzity Ostrava číslo 1, rok 2008, ročník VIII, řada stavební článek č. 4 Antonín LOKAJ 1, Kristýna VAVRUŠOVÁ 2 DESTRUKTIVNÍ TESTOVÁNÍ VYBRANÝCH
VíceUniverzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti 2.1 Tvorba lineárních regresních modelů při analýze dat Autor práce: Přednášející:
VíceMERENÍ MECHANICKÝCH VLASTNOSTÍ V MIKROLOKALITÁCH NANOINDENTACÍ. Radek Nemec, Ivo Štepánek
MERENÍ MECHANICKÝCH VLASTNOSTÍ V MIKROLOKALITÁCH NANOINDENTACÍ Radek Nemec, Ivo Štepánek Západoceská univerzita v Plzni, Univerzitní 22, 306 14 Plzen, CR, ivo.stepanek@volny.cz Abstrakt Príspevek se zabývá
VíceSystémy digitálního vodotisku. Digital Watermarking Systems
Systémy digitálního vodotisku Digital Watermarking Systems Simona PEJSAROVÁ Česká zemědělská univerzita v Praze, Provozně ekonomická fakulta Katedra informačních technologií Kamýcká 129, Praha 6, Česká
VíceVyužití regresní analýzy pro modelování státního dluhu
Mendelova univerzita v Brně Provozně ekonomická fakulta Využití regresní analýzy pro modelování státního dluhu Bakalářská práce Vedoucí práce: Mgr. Kateřina Myšková, Ph.D. Alžběta Surovcová Brno 2012 Tímto
VíceDynamické metody pro predikci rizika
Dynamické metody pro predikci rizika 1 Úvod do analýzy časových řad Časová řada konečná posloupnost reálných hodnot určitého sledovaného ukazatele měřeného v určitých časových intervalech okamžikové např
VíceVyužití neuronové sítě pro identifikaci realného systému
1 Portál pre odborné publikovanie ISSN 1338-0087 Využití neuronové sítě pro identifikaci realného systému Pišan Radim Elektrotechnika 20.06.2011 Identifikace systémů je proces, kdy z naměřených dat můžeme
VíceMetoda backward výběru proměnných v lineární regresi a její vlastnosti
Metoda backward výběru proměnných v lineární regresi a její vlastnosti Aktuárský seminář, 13. dubna 2018 Milan Bašta 1 / 30 1 Metody výběru proměnných do modelu 2 Monte Carlo simulace, backward metoda
VíceNávrh a implementace algoritmů pro adaptivní řízení průmyslových robotů
Návrh a implementace algoritmů pro adaptivní řízení průmyslových robotů Design and implementation of algorithms for adaptive control of stationary robots Marcel Vytečka 1, Karel Zídek 2 Abstrakt Článek
Více8. Posloupnosti, vektory a matice
. jsou užitečné matematické nástroje. V Mathcadu je často používáme například k rychlému zápisu velkého počtu vztahů s proměnnými parametry, ke zpracování naměřených hodnot, k výpočtům lineárních soustav
VíceKvantifikace operačního rizika v rámci Přistupu distribuce ztrát
Kvantifikace operačního rizika v rámci Přistupu distribuce ztrát Jiří Havlický 1 Abstrakt Článek je zaměřen na stanovení a zhodnocení citlivosti výše očekávané a neočekávané ztráty plynoucí z podstupovaného
VíceRegresní a korelační analýza
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)
VícePrediktivní řízení budov
Prediktivní řízení budov Jiří Cigler 20. dubna 2012 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem České republiky. 1 Motivace Proč se tímto tématem zaobírat? 2 Energetické
VíceSTATISTICA Téma 8. Regresní a korelační analýza, regrese prostá
STATISTICA Téma 8. Regresní a korelační analýza, regrese prostá 1) Lineární i nelineární regrese prostá, korelace Naeditujeme data viz obr. 1. Obr. 1 V menu Statistika zvolíme submenu Pokročilé lineární/nelineární
VícePříklad 2: Určení cihlářských surovin na základě chemické silikátové analýzy
Příklad 2: Určení cihlářských surovin na základě chemické silikátové analýzy Zadání: Deponie nadložních jílových sedimentů SHP byla testována za účelem využití v cihlářské výrobě. Z deponie bylo odebráno
VíceADAPTACE PARAMETRU SIMULAČNÍHO MODELU ASYNCHRONNÍHO STROJE PARAMETR ADAPTATION IN SIMULATION MODEL OF THE ASYNCHRONOUS MACHINE
ADAPTACE PARAMETRU SIMULAČNÍHO MODELU ASYNCHRONNÍHO STROJE PARAMETR ADAPTATION IN SIMULATION MODEL OF THE ASYNCHRONOUS MACHINE Oktavián Strádal 1 Anotace: Článek ukazuje použití metod umělé inteligence
VícePořízení licencí statistického SW
Pořízení licencí statistického SW Zadavatel: Česká školní inspekce, Fráni Šrámka 37, 150 21 Praha 5 IČO: 00638994 Jednající: Mgr. Tomáš Zatloukal Předpokládaná (a maximální cena): 1.200.000 vč. DPH Typ
VíceVYBRANÉ NÁSTROJE ZAJIŠTĚNOSTI ÚDRŽBY
ČESKÁ SPOLEČNOST PRO JAKOST Novotného lávka 5, 116 68 Praha 1 VYBRANÉ NÁSTROJE ZAJIŠTĚNOSTI ÚDRŽBY Materiály z 32. setkání odborné skupiny pro spolehlivost Praha, září 2008 OBSAH Základní nástroje pro
VíceVLIV TEPELNĚ-MECHANICKÉHO ZPRACOVÁNÍ NA VLASTNOSTI DRÁTU Z MIKROLEGOVANÉ OCELI. Stanislav Rusz a Miroslav Greger a Otakar Drápal b Radim Lukáš a
METAL 23 2.-22.5.23, Hradec nad Moravicí VLIV TEPELNĚ-MECHANICKÉHO ZPRACOVÁNÍ NA VLASTNOSTI DRÁTU Z MIKROLEGOVANÉ OCELI Stanislav Rusz a Miroslav Greger a Otakar Drápal b Radim Lukáš a a VŠB Technická
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
VíceStabilita v procesním průmyslu
Konference ANSYS 2009 Stabilita v procesním průmyslu Tomáš Létal VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV PROCESNÍHO A EKOLOGICKÉHO INŽENÝRSTVÍ, Adresa: Technická 2896/2, 616 69
VíceEXACT DS OFFICE. The best lens for office work
EXACT DS The best lens for office work EXACT DS When Your Glasses Are Not Enough Lenses with only a reading area provide clear vision of objects located close up, while progressive lenses only provide
VíceIBM SPSS Decision Trees
IBM Software IBM SPSS Decision Trees Jednoduše identifikujte skupiny a predikujte Stromově uspořádané postupné štěpení dat na homogenní podmnožiny je technika vhodná pro exploraci vztahů i pro tvorbu rozhodovacích
VíceSYSTÉM PRO AUTOMATICKÉ OVĚŘOVÁNÍ ZNALOSTÍ
SYSTÉM PRO AUTOMATICKÉ OVĚŘOVÁNÍ ZNALOSTÍ PŘIBYL VLADIMÍR Fakulta managementu, Vysoká škola ekonomická v Praze, Jarošovská 1117/II, 377 01 Jindřichův Hradec priby-vl@fm.vse.cz Abstrakt: Příspěvek se zabývá
VíceSEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík
SEMESTRÁLNÍ PRÁCE Leptání plasmou Ing. Pavel Bouchalík 1. ÚVOD Tato semestrální práce obsahuje písemné vypracování řešení příkladu Leptání plasmou. Jde o praktickou zkoušku znalostí získaných při přednáškách
VícePlánování experimentu
Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Ing. Radek Růčka Přednášející: Prof. Ing. Jiří Militký, CSc. 1. LEPTÁNÍ PLAZMOU 1.1 Zadání Proces
VíceVYUŽITÍ FORMÁLNÍ ADEKVACE PROVOZNÍ PÁKY V ŘÍZENÍ PODNIKU USING OF FORMAL ADEQUACY OF OPERATING LEVERAGE IN MANAGEMENT
VYUŽIÍ FORMÁLNÍ ADEKVACE PROVOZNÍ PÁKY V ŘÍZENÍ PODNIKU USING OF FORMAL ADEQUACY OF OPERAING LEVERAGE IN MANAGEMEN František Střeleček, Radek Zdeněk Abstrakt: Příspěvek se zabývá využitím provozní páky
VícePOROVNÁNÍ NÁKLADŮ TEKUTÉ FÁZE NA VÝROBU ODLITKŮ NA ŽELEZNÉ BÁZI. Comparison of Costs Applied at Melting Ferrous Metals for Castings
POROVNÁNÍ NÁKLADŮ TEKUTÉ FÁZE NA VÝROBU ODLITKŮ NA ŽELEZNÉ BÁZI Comparison of Costs Applied at Melting Ferrous Metals for Castings Kafka V.*/, Šenberger J.**/, Palán P., Hývnar V. ***/, Szmek V., Stonawski
VíceÚvod do datového a procesního modelování pomocí CASE Erwin a BPwin
Úvod do datového a procesního modelování pomocí CASE Erwin a BPwin (nově AllFusion Data Modeller a Process Modeller ) Doc. Ing. B. Miniberger,CSc. BIVŠ Praha 2009 Tvorba datového modelu Identifikace entit
VícePREDIKCE DÉLKY KOLONY V KŘIŽOVATCE PREDICTION OF THE LENGTH OF THE COLUMN IN THE INTERSECTION
PREDIKCE DÉLKY KOLONY V KŘIŽOVATCE PREDICTION OF THE LENGTH OF THE COLUMN IN THE INTERSECTION Lucie Váňová 1 Anotace: Článek pojednává o předpovídání délky kolony v křižovatce. Tato úloha je řešena v programu
VíceZadání Vypracujte písemně s využitím paketu ADSTAT a vyřešte 3 příklady. Příklady postavte z dat vašeho pracoviště nebo nalezněte v literatuře. Každý
0. Licenční studium Statistické zpracování dat 3.3 Tvorba nelineárních regresních modelů v analýze dat Vladimír Bajzík Liberec, únor, 007 Zadání Vypracujte písemně s využitím paketu ADSTAT a vyřešte 3
VíceGymnázium, Brno, Slovanské nám. 7 WORKBOOK. Mathematics. Teacher: Student:
WORKBOOK Subject: Teacher: Student: Mathematics.... School year:../ Conic section The conic sections are the nondegenerate curves generated by the intersections of a plane with one or two nappes of a cone.
VíceVyužití hybridní metody vícekriteriálního rozhodování za nejistoty. Michal Koláček, Markéta Matulová
Využití hybridní metody vícekriteriálního rozhodování za nejistoty Michal Koláček, Markéta Matulová Outline Multiple criteria decision making Classification of MCDM methods TOPSIS method Fuzzy extension
VíceFriction drives have constant or variable drives (it means variators). Friction drives are used for the transfer of smaller outputs.
Third School Year FRICTION DRIVES 1. Introduction In friction drives the peripheral force between pressed wheels is transferred by friction. To reach peripheral forces we need both a pressed force and
VíceTeorie časových řad Test 2 Varianta A HODNOCENÍ (max. 45 bodů z 50 možných)
Teorie časových řad Test 2 Varianta A HODNOCENÍ (max. 45 bodů z 50 možných) 1. SPECIFIKACE (12 bodů): (1) Graf průběhu proměnných (1) Obě řady se chovají stejně, lze předpokládat jejich lineární vztah
VíceVLIV OBSAHU HLINÍKU NA VLASTNOSTI HOŘČÍKOVÝCH SLITIN PŘI ODLÉVÁNÍ DO BENTONITOVÝCH A FURANOVÝCH FOREM
VLIV OBSAHU HLINÍKU NA VLASTNOSTI HOŘČÍKOVÝCH SLITIN PŘI ODLÉVÁNÍ DO BENTONITOVÝCH A FURANOVÝCH FOREM INFLUENCE OF ALUMINIUM CONTENT ON BEHAVIOUR OF MAGNESIUM CAST ALLOYS IN BENTONITE AND FURAN SAND MOULD
VíceEvropské výběrové šetření o zdravotním stavu v ČR - EHIS CR Index tělesné hmotnosti, fyzická aktivita, spotřeba ovoce a zeleniny
Aktuální informace Ústavu zdravotnických informací a statistiky České republiky Praha 22. 12. 2010 70 Evropské výběrové šetření o zdravotním stavu v ČR - EHIS CR Index tělesné hmotnosti, fyzická aktivita,
VíceNĚKTERÉ ZKUŠENOSTI S MODIFIKACÍ SLITIN Mg. SOME OF OUR EXPERIENCE OF MODIFYING THE Mg ALLOYS. Luděk Ptáček, Ladislav Zemčík
NĚKTERÉ ZKUŠENOSTI S MODIFIKACÍ SLITIN Mg SOME OF OUR EXPERIENCE OF MODIFYING THE Mg ALLOYS Luděk Ptáček, Ladislav Zemčík Vysoké učení technické v Brně, Fakulta strojního inženýrství SUMMARY In our earlier
Vícewww.alu-sv.com BLATNÍKY A BEDNY NA NÁŘADÍ MUDGUARDS AND TOOLBOXES 5.1 5.2 5.3 5.4 5.5
5.1 CZ LATNÍKY A EDNY NA NÁŘADÍ 5.1 latníky 5.2 edny na nářadí 5.3 Kanystry na vodu a schránky na hasící přístroje 5.4 Zakládací klíny 5.5 Držáky rezervy a navijáky EN 5.1 Mudguards 5.2 Toolboxes 5.3 Plastic
VíceMatematická statistika
Matematická statistika Daniel Husek Gymnázium Rožnov pod Radhoštěm, 8. A8 Dne 12. 12. 2010 v Rožnově pod Radhoštěm Osnova Strana 1) Úvod 3 2) Historie matematické statistiky 4 3) Základní pojmy matematické
VíceMikrokvadrotor: Návrh,
KONTAKT 2011 Mikrokvadrotor: Návrh, Modelování,, Identifikace a Řízení Autor: Jaromír r Dvořák k (md( md@unicode.cz) Vedoucí: : Zdeněk Hurák (hurak@fel.cvut.cz) Katedra řídicí techniky FEL ČVUT Praha 26.5.2011
Vícea)čvut Praha, stavební fakulta, katedra fyziky b)čvut Praha, stavební fakulta, katedra stavební mechaniky
MATERIÁLOVÁ PROBLEMATIKA PŘI POŽÁRECH OCELOVÝCH A ŽELEZOBETONOVÝCH STAVEB The Materials Points at Issue in a Fire of Steel and Reinforced Concrete Structures Jan Toman a Robert Černý b a)čvut Praha, stavební
VíceAnalýza návštěvnosti ubytovacích zařízení v ČR
Mendelova univerzita v Brně Provozně ekonomická fakulta Analýza návštěvnosti ubytovacích zařízení v ČR Bakalářská práce Vedoucí práce: Mgr. Veronika Blašková, Ph. D. Kateřina Tesařová Brno 2013 zadání
Více